一種用于早期帕金森癥預測的綜合分析方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理、醫(yī)學成像、計算方法、數(shù)學、非醫(yī)學疾病診斷、神經(jīng)解剖學等 領域，尤其是這一種綜合分析早期帕金森癥腦纖維差異及疾病預測的方法。
【背景技術】
[0002] 帕金森癥是一種神經(jīng)系統(tǒng)變性疾病，其病理的研宄一直是醫(yī)學領域的熱點。帕金 森癥多由中腦黑質區(qū)域含多巴胺神經(jīng)元的損失引起，現(xiàn)今針對帕金森的研宄方法主要是通 過化學藥物實驗以及臨床醫(yī)學觀察，如Burns等人發(fā)現(xiàn)N-甲基-4-苯基-1，2, 3, 6-四氫吡 啶（NMPTP)能降低多巴胺的釋放和積聚，腦源性神經(jīng)營養(yǎng)因子（BDNF)影響含多巴胺神經(jīng)元 存活性，HLA-DR陽性反應性小膠質細胞可降低皮質膽堿乙酰轉移酶活性從而導致帕金森癥 等，但這些研宄方法不能準確診斷病癥且實施繁瑣。
[0003] 現(xiàn)今，擴散張量技術在纖維信息重建方面取得了廣泛的應用，同時基于擴散張量 技術重構帕金森患者腦白質纖維結構，探索局部白質的完整性，來分析帕金森患者中腦 黑質差異，逐漸成為研宄帕金森病癥根源的新方向?，F(xiàn)有研宄主要有感興趣區(qū)域（R0I) 法，即通過DTI重建特定腦區(qū)，提取并對比患者與正常人的指標發(fā)現(xiàn)差異性；傳統(tǒng)的神經(jīng) 醫(yī)學分析方法可分為基于體素的分析（voxel-basedanalysis,VBA)與基于纖維的分析 (fiber-basedanalysis,FBA)。最新研宄即通過基于高分辨率DTI的指標差異分析，包括 各向異性分數(shù)（FA)，平均彌散系數(shù)（MD)以及表觀擴散系數(shù)（ADC)，估計黑質DTI參數(shù)變化 對疾病的影響，闡述了DTI技術在帕金森癥中腦黑質差異的潛在診斷價值。
[0004] 但目前，由于基于DTI的研宄指標較單一，使得體素分析方法在準確性上仍存在 爭議。此外，目前對帕金森癥的診斷研宄缺少基于纖維的分析及差異指標，而DTI技術由于 角度分辨率較低、跟蹤誤差大等缺點，難以應用于臨床診斷；同時，DTI在描述實際體素存 在的非高斯分布的復雜神經(jīng)纖維結構以及提供不同腦區(qū)域之間纖維束的解剖連接信息上 也具有一定的局限性。因此在今后的工作中，基于高角度分辨率擴散成像（HARDI)技術分 析帕金森癥患者與正常人在中腦黑質區(qū)域纖維的差異性并進行疾病的病理分析及預測診 斷將成為研宄的主流。本方法運用多種HARDI技術進行成像建模與跟蹤，引入多項基于體 素或纖維的差異性分析指標，并結合系統(tǒng)綜合的統(tǒng)計分析方法，不僅提高了纖維重構的精 確性，也提高了指標分析的可靠性與準確性。隨著研宄的不斷深入，有望讓基于HARDI技術 指標的綜合分析方法作為一種有效輔助預測帕金森癥的新途徑，在臨床診斷與病理分析上 有很好的應用前景與醫(yī)療價值。

【發(fā)明內容】

[0005] 為了克服已有輔助預測帕金森癥方式的步驟繁瑣、方法角度誤差大、分辨率低，分 析指標單一的不足，本發(fā)明提供了一種高分辨率、準確可靠的用于早期帕金森癥預測的綜 合分析方法。
[0006] 本發(fā)明解決其技術問題所采用的技術方案是：
[0007] -種用于早期帕金森癥預測的綜合分析方法，所述綜合分析方法包括以下步驟：
[0008] 步驟S1，讀取擴散加權磁共振數(shù)據(jù)DW-MRI，并對全部數(shù)據(jù)進行降噪、平滑預處理， 運用擴散張量成像及高角度分辨率擴散成像技術進行建模成像及纖維跟蹤，獲取體素纖維 方向信息，并計算得到6種腦纖維差異分析指標數(shù)據(jù)，包括各向異性分數(shù)FA、平均彌散系數(shù) MD、均方位移MSD、廣義各向異性分數(shù)GFA、GFApeak及體素平均密度乃；
[0009] 步驟S2,提取并標記特定腦部區(qū)域體素信息，所述特定腦部區(qū)域為中腦，根據(jù)設定 各向異性分數(shù)FA的閾值，選取連續(xù)區(qū)域為中腦黑質區(qū)域，然后篩選提取感興趣區(qū)域內的各 指標數(shù)據(jù)；
[0010] 步驟S3,根據(jù)步驟S2中得到的6種差異分析指標，運用SPSS分析工具進行綜合分 析，得出被試者與正常人中腦黑質區(qū)域的纖維差異性結果，從而預測被試者的患病情況，過 程如下：
[0011] 3. 1)運用SPSS對各組指標中錯誤數(shù)據(jù)及異常數(shù)據(jù)進行預處理，具體步驟包括：
[0012] 首先，將被試者數(shù)據(jù)與已知正常人數(shù)據(jù)分為2類，另設變量w作為組別標記，其值 包括自然數(shù)1表示被試組、2表示控制組；
[0013] 其次，對控制組由SPSS標出異常個案，進行剔除；對被試組采用SPSS統(tǒng)計離散值， 將數(shù)據(jù)進行篩選并剔除錯誤值；篩選后的缺失數(shù)據(jù)用均值填充；
[0014] 最后，分別計算各指標每組數(shù)據(jù)的均值、標準差，并進行0-1標準化處理；
[0015] 3. 2)分別對單個指標均值、標準差進行單因素方差分析：
[0016] 以步驟4. 1)得出的組別標記變量w作為自變量，被試組、控制組各指標均值及標 準差數(shù)據(jù)作為各因變量，運用SPSS對單因素試驗結果進行分析，以P= 0. 05為顯著性水 平，通過對多個樣本均值的顯著性檢驗，分析獲得各指標在被試組與控制組間的顯著差異 結果，P< 0. 05表示數(shù)據(jù)存在顯著性差異（即初步預測被試者患?。粗A測被試者未患 病。
[0017] 進一步，所述步驟S3還包括如下步驟：
[0018] 3. 3)根據(jù)各指標數(shù)據(jù)計算反應數(shù)據(jù)內在含義的綜合指標，并進行組合分析，具體 步驟如下：
[0019] 3. 3. 1)將被試組各均值、標準差數(shù)據(jù)進行1-2標準化處理，即將步驟3. 1)獲取的 0-1標準化數(shù)據(jù)結果加1，轉換到1-2區(qū)間；
[0020] 3. 3. 2)設定參數(shù)aG(〇, 1)，將a與各指標均值^、標準差S進行線性或非線性組 合，得到各指標對應新指標數(shù)據(jù)f(X，y):
[0021] f(x,y) =ax+ (l~a)y
[0022] 其中x，y分別為S，S的線性或非線性運算變換，此處取x=ln〇7)，r =ln(S);
[0023] 3. 3. 3)分別對3. 3. 2)計算得出的各指標f(x，y)進行方差分析，計算使各指標同 時滿足顯著差異的相應閾值范圍a;若存在滿足上述條件的a，則表明被試者與正常人腦纖 維存在顯著差異，反正則判別為正常。
[0024] 再進一步，所述步驟S3還包括如下步驟：
[0025]3. 4)運用線性（Linear)判別函數(shù)，對各指標均值與標準差數(shù)據(jù)進行判別分析，過 程包括：
[0026] 3. 4. 1)根據(jù)步驟3. 2)_3. 3)得出的指標差異性結論，將每組有顯著性差異的指標 均值數(shù)據(jù)作為一個屬性，并將按設定規(guī)律組合的數(shù)據(jù)作為新的綜合指標；
[0027] 3. 4. 2)以步驟3. 4. 1)得出的綜合指標為判別標準，并選取被試者對應的指標數(shù) 據(jù)作為樣本，調用線性判別函數(shù)，獲取各組的協(xié)方差矩陣的估計，最終將被試者分配到兩個 類別之一，即為預測判別被試者的患病結果。
[0028] 更進一步，所述步驟S1中，運用DTI及HARDI方法進行纖維重構及纖維方向分布 估計，并在此基礎上獲取6項差異分析指標，各指標計算方法包括以下步驟：
[0029] 1. 1)通過擴散張量成像（DTI)建模，獲取組織在三個軸方向的平均擴散度，即二 階張量擴散特征值的平均值Ai，A2,A3,最終算得FA、MD指標數(shù)據(jù)：
[0032] 1. 2)與步驟1. 1)FA計算方法類似，通過擴散信號的Funk-Radon變換（FRI)并歸 一化，重構測量擴散方向分布函數(shù)（0DF)，然后估計每個體素內的潛在纖維方向概率分布， 從而計算出指標GFA，計算公式如下：
[0034] 其中
是感興趣擴散方向^的一個0DF值，p是0DF的平均 值，GFA表不纖維各向異性分數(shù)的均值，GFApeak表不纖維各向異性峰值；
[0035] 1. 3)通過HARDI的流線性纖維跟蹤，獲取三維體素體積信息，并以纖維體素為單 位，計算得穿過某區(qū)域單位體積